方法
文章提出获得高质量模型最保险的做法就是增加模型的深度（层数）或者是其宽度（层核或者神经元数），但是这里一般设计思路的情况下会出现几个缺陷：
- 参数太多，容易过拟合，若训练数据集有限；
- 网络越大计算复杂度越大，难以应用；
- 网络越深，梯度越往后穿越容易消失，难以优化模型。
googlenet的主要思想就是围绕这两个思路去做的：深度，层数更深，文章采用了22层，为了避免上述提到的梯度消失问题，googlenet巧妙的在不同深度处增加了两个loss来保证梯度回传消失的现象；宽度，增加了多种核 1x1，3x3，5x5，还有直接max pooling的，但是如果简单的将这些应用到feature map上的话，concat起来的feature map厚度将会很大，所以在googlenet中为了避免这一现象提出的inception具有如下结构，在3x3，5x5之前，max pooling后分别加上了1x1的卷积核起到了降低feature map厚度的作用。
实验
References：
[1] http://www.cnblogs.com/Allen-rg/p/5833919.html
[2] Going deeper with convolutions, Christian Szegedy, 2015, CVPR
网友评论